Πολυαντικειμενική βελτιστοποίηση για βέλτιστη διαστασιολόγηση και τοποθέτηση μονάδας διεσπαρμένης παραγωγής σε δίκτυο διανομής με διάφορους τύπους φορτίων

Abstract

Σκοπός της διπλωματικής εργασίας είναι η εύρεση της βέλτιστης θέσης εγκατάστασης και της βέλτιστης ονομαστικής ισχύος μιας μονάδας διεσπαρμένης παραγωγής σε ένα δίκτυο διανομής ηλεκτρικής ενέργειας με ζήτηση καταναλωτών με διαφορετικούς τύπους φορτίου (σταθερό, οικιακό, βιομηχανικό, εμπορικό, μεικτό), ώστε να επιτυγχάνεται μείωση των απωλειών ενεργού και αέργου ισχύος στο δίκτυο. Η πολυαντικειμενική συνάρτηση βελτιστοποίησης περιλαμβάνει τις ενεργές απώλειες ισχύος, τις άεργες απώλειες ισχύος, τις πτώσεις τάσεις των ζυγών φορτίου και τα θερμικά όρια αντοχής των γραμμών του δικτύου διανομής. Για την εύρεση της βέλτιστης θέσης εγκατάστασης και της βέλτιστης ονομαστικής ισχύος της μονάδας διεσπαρμένης παραγωγής, χρησιμοποιείται πολυαντικειμενική βελτιστοποίηση με βάρη, η οποία επιλύεται με τη μέθοδο των γενετικών αλγορίθμων. Στα πλαίσια της εργασίας αναπτύχθηκε λογισμικό σε MATLAB το οποίο επιλύει το πρόβλημα τόσο με τη μέθοδο των γενετικών αλγορίθμων, όσο και με τη μέθοδο της εξαντλητικής αναζήτησης, για να ελεγχθεί η ακρίβεια του γενετικού αλγορίθμου. Στο λογισμικό αυτό, αναπτύχθηκε επιπλέον γραφικό περιβάλλον, για να είναι εύκολη η χρήση του λογισμικού αυτού κατά την εισαγωγή δεδομένων, την επίλυση του προβλήματος, και την εξαγωγή και την ανάλυση των αποτελεσμάτων. Η μεθοδολογία δοκιμάστηκε σε τρία δίκτυα διανομής, ένα δίκτυο 17 ζυγών, ένα δίκτυο 38 ζυγών και ένα δίκτυο 75 ζυγών. Αρχικά, πριν προστεθεί στο δίκτυο η μονάδα διεσπαρμένης παραγωγής, γίνεται η ανάλυση της ροής φορτίου με τη μέθοδο Newton-Raphson, και καταγράφονται τα αποτελέσματα. Στη συνέχεια, εκτελείται η διαδικασία βελτιστοποίησης με τη χρήση γενετικού αλγορίθμου και εντοπίζεται η βέλτιστη θέση εγκατάστασης της μονάδας διεσπαρμένης παραγωγής καθώς και η βέλτιστη ονομαστική ισχύς αυτής σε MW. Κατόπιν εγκαθίσταται η μονάδα διεσπαρμένης παραγωγής με βέλτιστη ονομαστική ισχύ στο βέλτιστο ζυγό του δικτύου σύμφωνα με τη βέλτιστη λύση του προβλήματος βελτιστοποίησης, και γίνεται ξανά η ανάλυση της ροής φορτίου. Τα αποτελέσματα καταγράφονται και με βάση αυτά υπολογίζεται η βέλτιστη τιμή της πολυαντικειμενικής συνάρτησης. Επίσης, παρουσιάζονται τα αποτελέσματα των μεθόδων στα τρία δίκτυα διανομής, συγκρίνονται μεταξύ τους και προτείνονται τρόποι επέκτασης της εργασίας.

The scope of the present thesis is to compute the optimal location and the optimal size of a distributed generation unit for adding it to a distribution network that serves customers with different load models (e.g., constant, residential, industrial, commercial, mixed), in order to achieve reduction of power losses in the system. For the determination of the optimal size and location of the distributed generation, a multiobjective optimization problem is formulated and solved using the genetic algorithm method. The multiobjective function includes four indicators related with the active power losses of the network, the reactive power losses of the network, the thermal limits of the distribution lines, and the voltages of the network buses. In the context of this thesis, software was developed in MATLAB that solves the problem using genetic algorithm method as well as exhaustive enumeration method, in order to check the accuracy of genetic algorithm method. In this software, a graphical user interface was also developed in order to make easy the use of this software. The methodology was tested in three distribution networks, a 37-bus network, a 38-bus network, and a 75-bus network. Before the installation of the distributed generation unit to the network, power flow analysis is performed with Newton-Raphson method, and the results get recorded. Then, multiobjective optimization with the genetic algorithms method is performed, and the result gives the optimal size and location solution of the distributed generation unit. Power flow analysis is again performed after adding to the network the distributed generation unit with the optimal size and at the optimal bus. With the results of the power flow analysis, the objective function is calculated.